[論文レビュー] Optimizing PID parameters with machine learning

Adam Nyberg|arXiv (Cornell University)|Sep 26, 2017

Advanced Control Systems Design参考文献 2被引用数 6

ひとこと要約

この論文では、局所最適解に陥るのを避ける導関数フリーで集団ベースのアプローチを用いて、ロボット制御のためのPIDコントローラーのパラメータを最適化するために、進化的プログラミング（EP）の使用を提案している。EPは、ROS/MORSE環境でのシミュレーションにおいて、線形速度および角速度のPIDを効果的にチューニングし、平均誤差が最小で0.0234にまで低下する結果を得た。これは、微分および積分ゲインを最小限に抑えつつ、パラメータ探索の強健性と効率性を示している。

ABSTRACT

This paper examines the Evolutionary programming (EP) method for optimizing PID parameters. PID is the most common type of regulator within control theory, partly because it's relatively simple and yields stable results for most applications. The p, i and d parameters vary for each application; therefore, choosing the right parameters is crucial for obtaining good results but also somewhat difficult. EP is a derivative-free optimization algorithm which makes it suitable for PID optimization. The experiments in this paper demonstrate the power of EP to solve the problem of optimizing PID parameters without getting stuck in local minimums.

研究の動機と目的

• ロボット制御のためのPIDパラメータを手動でチューニングすることは時間のかかる作業であり、アプリケーションに特化しているため、その課題に対処すること。
• 進化的プログラミング（EP）が、導関数が不要な最適化手法としてPIDパラメータチューニングに有効であるかを評価すること。
• 遺伝的アルゴリズム（GA）や粒子群最適化（PSO）といった既存手法と比較し、EPの性能をシミュレーテッドロボット環境で評価すること。
• EPが、局所最適解に陥ることなく低誤差解に収束できるかどうかを調査すること。

提案手法

• EPは、一様分布から抽出されたPIDパラメータセット（k_pv, k_iv, k_dv, k_pa, k_ia, k_da）の集団を初期化する。
• 適応度は、定められた経路に沿った所望の速度と実際のロボット速度との間の平均誤差（AE）を用いて評価される。
• 最も適応度が高い個体（AEが最小）が選択され、そのパラメータにガウスノイズを適用して新しい集団が生成される。
• 突然変異戦略は異なる：実験1では絶対的ガウスノイズが使用され、実験2および3ではパラメータ値にスケーリングされた相対的ノイズが使用され、パラメータのスケール差を扱う。
• 100世代またはAE < 0.01に達するまで反復され、訓練用ルートとテスト用ルートが別々に用いられる。
• ROSノードを用いて状態制御、ルート実行、決定論理を実装し、MORSEを3次元シミュレーションバックエンドとして使用する。

実験結果

リサーチクエスチョン

• RQ1 進化的プログラミングは、局所最適解に陥ることなく、ロボット速度制御のためのPIDパラメータを効果的に最適化できるか？
• RQ2 絶対的ノイズと相対的ノイズの異なる突然変異戦略が、PIDチューニングにおけるEPの収束性と性能にどのように影響するか？
• RQ3 最適化された解において、微分ゲインと積分ゲインがどれほど無視できるほど小さくなるのか、その理由は何か？
• RQ4 平均誤差と収束速度の観点から、EPはGAやPSOと比較してどの程度優れているか？
• RQ5 この制御文脈において、集団サイズを増加させることで最適化の結果が改善するのか？

主な発見

• EPは、最良の設定（実験3）において平均誤差を最小で0.0234まで低下させ、効果的な最適化を実現した。
• 線形速度および角速度コントローラーの微分（D）および積分（I）ゲインは、一貫してほぼゼロの値にまで引き下げられ、シミュレーション環境ではほとんど寄与していないことが示された。
• 相対的突然変異戦略（実験2および3）は、絶対的突然変異戦略（実験1）を上回り、特にスケールが著しく異なるパラメータを扱う際に優れた性能を示した。
• 集団サイズを10から20に増加させても、最終誤差に顕著な改善は得られず、収益逓減の傾向が示された。
• 訓練ルートおよびテストルートのステップ応答において、最適化されたパラメータを用いることで、過渡応答が安定し、オーバーシュートが小さく、立ち上がり時間が速かった。
• 結果から、シミュレーション環境が現実の動的特性を完全に反映していない可能性が示唆され、最適化された解においてDおよびI項がほとんど余分な役割を果たしていないことがわかった。